数字图像处理——2D降噪

        图像降噪处理主要分为2D(空域)与3D降噪(时域/多帧),而2D降噪由于相关的实现算法丰富,效果各异,有着丰富的研究价值。理解2D降噪算法的流程,也对其他的增强算法有很大的帮助,本文将介绍均值滤波到非局部均值滤波算法的原理及实现方式。

        细数主要的2D降噪算法,如下图所示,从最基本的均值滤波到相对最好的BM3D降噪,本文将详解这些算法的实现流程,并给予一定的FPGA加速实现的实现思路。

数字图像处理——2D降噪_第1张图片

一、均值/中值滤波

        现所有滤波算法都是通过当前像素周边的像素,以一定的权重来计算滤波的像素值。因此主要涉及两个变量:窗口的大小,以及窗口内像素的权重。以最简单的均值滤波/中值滤波,3*3窗口为例,计算及优缺点如下:

数字图像处理——2D降噪_第2张图片

均值滤波        

        对于FPGA的硬件加速实现,过程还好,唯一头疼的就是涉及了除法,由于除法计算时钟周期长且耗费LE,我们需要升级改造下,因此优化公式如下(sum为9个像素累加的结果),将除法巧妙变成乘法:

图片

因此实现的流程如下

1)sum1=P0+P1+P2; sum2=P3+P4+P5; sum3=P6+P7+P8,即先求每行3像素累加

2)sum=sum1+sum2+sum3,即求三行9像素累加

3)sum*144,取结果的[17:10],即为均值滤波的结果。

4)以上过程流水线,最终每个clk输出一个计算结果。

备注:这里1024/9取了floor,这样保证不会溢出。

中值滤波

对于中值滤波而言,本身计算并不复杂,就看怎么取巧最快得到中间数,网上流传了一个三步法,即如下图所示,

数字图像处理——2D降噪_第3张图片

那么FPGA硬件加速实现,流程如下:

1)计算每行3个像素的最大中、中值、最小值

2)计算三个最大值的最小值,中间值的中间值,以及最小值的最大值。

3)对上述三个值求得中间值。

4)以上过程流水线,最终每个clk输出一个计算结果。

中值滤波计算相对均值滤波稍微复杂一点,但是好处是只用了比较器,没用乘法器,比均值滤波更省资源。

对于椒盐图像的均值滤波、中值滤波计算效果对比,如下所示,分别为椒盐图像、均值滤波、中值滤波结果。

数字图像处理——2D降噪_第4张图片

二、高斯滤波

        前面讲的均值/中值滤波,对于窗口内每个像素的权重都是一样的,噪声在图像当中常表现为一引起较强视觉效果的孤立像素点或像素块,那么他必然不是平均分布。

        正态分布是最重要的一种概率分布,也叫做高斯分布。在正态分布里,中间状态是常态,过高和过低都属于少数,因此正态分布具有相当的普遍性。

数字图像处理——2D降噪_第5张图片

         因此以概率论及中心极限定理猜想,大部分噪声应该也符合正态分布/高斯分布(高斯白噪声),所以也就有了高斯滤波,及根据正态分布进行权重计算的滤波方法。上图曲线是高斯分布的一维函数,而图像应该是二维的,图解如下二维高斯分布:

数字图像处理——2D降噪_第6张图片

        既然已经得到二维高斯分布函数,那么根据窗口到目标像素的距离,就可以是计算出周边像素的权重——高斯模板。均值滤波每个像素的权重都是1/9,再通过卷积后计算得到结构,而高斯滤波就是根据正态分布,去计算当前像素相对距离的权重值,假定σ=1.5(σ就是滤波的强度),3*3的高斯模板计算计算过程如下:

数字图像处理——2D降噪_第7张图片

        但是这还不够,毕竟我们的目标是直接上FPGA,那必须顶定点化,因此假设扩大1024倍,则3*3的高斯模板定点化如下:

数字图像处理——2D降噪_第8张图片

        对于3*3或者5*5,选定的σ,高斯模板那么,现在计算就简单了,卷积后再缩小1024倍即可,采用FPGA计算,过程如下:

1)计算9个像素的对应卷积参数的乘法

2)9累加9个乘法结果

3)右移10bit或取结果的[17:10],即为高斯滤波的结果。

4)以上过程流水线,最终每个clk输出一个计算结果。

备注:当然实现还可优化,比如只用3个乘法器,算一行累加一行,也就4个时钟算完。

最后,暂且盗用别人针对不同σ的3*3高斯滤波效果图,如下(σ越大越模糊):

数字图像处理——2D降噪_第9张图片

 三、双边滤波

        双边滤波是一种非线性滤波器,它可以达到保持边缘、降噪平滑的效果。和其他滤波原理一样,双边滤波也是采用加权平均的方法,用周边像素亮度值的加权平均代表某个像素的强度,所用的加权平均基于高斯分布。

        但是,双边滤波的权重不仅考虑了像素的欧式距离(如高斯滤波)——核域,还考虑了像素范围域中的辐射差异(比如像素与中心像素之间相似程度)——值域,计算时同时考虑这两个权重。 数字图像处理——2D降噪_第10张图片

        借用上网的一个图,如上为同时考虑核域与值域的像素滤波计算公式,其中space weight和range weight都符合高斯分布,但前者仅靠了距离,后者考虑了差值,因此两者结合就是同时考虑了space & range滤波。上述公式太抽象,重新梳理如下(其中1/Wp为归一化因子):

数字图像处理——2D降噪_第11张图片

        由于双边滤波同时考虑了空间距离和像素相似度的影响,因此尤其在具有边缘梯度的图像中,能够有不错的效果。即在平坦区域,空间距离占优势,在边缘区域,像素间相似度占优势,可以直观的用下面这个图来表示:

数字图像处理——2D降噪_第12张图片

数字图像处理——2D降噪_第13张图片

数字图像处理——2D降噪_第14张图片

根据上图,继续进一步细化步骤,详解在FPGA中的实现方式,如下:

1)提前计算好高斯模板,和用于值域权重计算的256地址数据(均已扩大1024倍定点化)

2)根据3*3原图和中心点差值判断,得到值域模板

3)将提前准备的高斯模板和上一步的值域模板相乘,得到双边权重模板

4)将得到的3*3个新的权重累加,

5)根据累加结果,归一化(归1024化)完成最终权重模板的计算

6)最新模板和原始3*3原图卷积,得到新的目标像素。

7)以上过程流水线,最终每个clk输出一个计算结果。

OK,搞定,巧妙使用1024倍定点化,及查找表的方法,所有指数相关操作全部解决,在允许的误差范围内,实现FPGA的加速运算。

双边滤波其实就是个磨皮算法,用于美容养颜还是不错,所以网上找了一个图给大家参考下,如此下:

数字图像处理——2D降噪_第15张图片

    但是,这里的归一化还是有不尽人意的地方,因为不确定9个权重累加的值是多少,因此无法采用乘法来替代除法,这一块暂且在后面想好了再追加讨论。

参考文章

  1. https://blog.csdn.net/qinghuaci666/article/details/81737624
  2. https://www.cnblogs.com/yoyo-sincerely/p/6058944.html
  3. https://www.jianshu.com/p/73e6ccbd8f3f
  4. https://blog.csdn.net/abcjennifer/article/details/7616663
  5. https://blog.csdn.net/u013066730/article/details/87859184

你可能感兴趣的:(数字图像处理)